Я начал изучать ИИ за год до этого. В то время изучение ИИ было для меня просто областью интересов. До этого я занимался Java и базовыми веб-разработками. Использование Servlets, Swings, JSP, HTML, CSS было довольно интересной задачей. Но после погружения в область ИИ (науки о данных) я почувствовал, что это более захватывающе. Первым приложением, которое я сделал в ИИ, была NIM Game с использованием эвристики ИИ. Это довольно простая и приятная игра, в которой я установил некоторые правила, и эти правила ведут игру, чтобы победить игроков-людей. Я тестирую свои правила и игру со своими маленькими друзьями, которые говорят мне установить игру на их компьютеры. Я помню, как они недоумевали, как я заставил игру думать.

Игра выглядит следующим образом: у вас есть три набора (A, B, C), и набор A содержит 5 палочек, B — 4 палочки, а C — 3 палочки. Вы можете выбрать столько палочек, сколько хотите, но только в одно установленное время. Итак, игра идет так, и тот, кто выберет последнюю палочку, побеждает в игре. Если вы хотите узнать больше об игре, загляните в мой репозиторий git (https://github.com/ashishgupta2598/NIM-GAME).

Затем я посмотрел видео Сираджа Равеля («Изучение машинного обучения за 3 месяца» (с учебным планом)) и завершил «Вероятность» («Введение в вероятность — наука о неопределенности») и «Линейную алгебру» Гилберта Стрэнга. А также следите за лекциями по линейной алгебре от Академии Хана. Теперь я перешел на курс Эндрю Нг по машинному обучению, который является довольно популярным курсом.

Курсы/Ссылки-

1.Siraj Ravel Изучите машинное обучение за 3 месяца (с учебным планом)

2. Введение в вероятность — наука о неопределенности

3. Линейная алгебра Гилберта Стрэнга MIT OCW

4. Линейная алгебра | Академия Хана

5. Машинное обучение Эндрю Нг (Coursera)

6. Видео Математика интеллекта Сираджа Равеля

7.Fantastic Repo (Математический курс машинного обучения от Сираджа)

8. Специализация глубокого обучения от deeplearning.ai (Coursera)

9. https://www.udacity.com/course/reinforcement-learning--ud600

Этот курс является фантастическим курсом и дает фантастическое понимание машинного обучения. Но что я чувствую, что большинство студентов очень мучаются с передачей и использованием наборов данных с реализацией алгоритма ИИ. Я столкнулся с этой проблемой, когда начал кодировать алгоритм самостоятельно. Алгоритм написать немного проще, но я сталкиваюсь с проблемой ввода входных данных, например, в виде файлов CSV. Я изучил Python для науки о данных. И используйте этот хорошо написанный репозиторий для кодирования реализации каждого алгоритма машинного обучения, чтобы реализовать их самостоятельно.

Теперь, параллельно с изучением машинного обучения на курсе Эндрю Нг, я практикую Python и изучаю несколько замечательных библиотек, а также читаю книгу Python DataScience Handbook. Вся реализация ведется на IPython и Jupyter Notebook.

  1. Numpy — в основном для обработки массивов.
  2. Pandas - передача данных, таких как файлы CSV
  3. Matplotlib-Все графики, области визуализации, такие как гистограммы
  4. Scikit Learn — библиотека машинного обучения.

Теперь, после обучения, я начал практиковать kaggle и делать небольшие проекты, такие как прогнозирование цен на жилье, анализ настроений и т. Д. Это похоже на конкурентное кодирование: от kaggle сначала используйте свои методы, чтобы получить точность, а затем посмотрите различные ядра, чтобы увидеть, как другие люди обрабатывают данные (фильтрация данных). ).

Теперь наступает следующий этап моего изучения науки о данных. Я прохожу тот же прекрасный курс Эндрю Нг или deepLearning.ai — курс специализации из 5 курсов на Coursera. После завершения курса снова попрактикуйтесь в загрузке данных (изображения, строковые данные и т. д.). Кроме того, вы можете начать с практики реализации рукописных данных MNIST в другой сети. Используя набор данных IMDB, создайте другую сеть.

Сначала отработайте набор данных mnist с MLP (многоуровневый персептрон), а затем с CNN, а также используйте для этого RNN. Проверьте точность. После этого однажды я прочитал сообщение в блоге и побежал к pytorch. Я прошел курс Udacity на pytorch. Это фантастический курс, и я могу заверить вас, что вы будете очень хорошо обращаться с фреймворками после этого курса. Сообщество Pytorch также слишком активно.

Я работал над разными проектами, такими как

  1. Чат, использующий RNN (двунаправленные RNN) с механизмом внимания. Набор данных — комментарии Reddit
  2. Нейронно-машинный перевод НЛП
  3. Анализ настроений с использованием RNN (GRU) (NLP)

Это некоторые из проектов НЛП. А вот и работа компьютерного зрения.

Я работал над реконструкцией 3D-объектов и следовал статье Глубокая реконструкция 3D-объектов с одним видом с визуальным встраиванием корпуса, а также работал над семантической сегментацией. Итак, чтобы понять концепцию семантической сегментации, вы можете следить за моим блогом о семантической сегментации.

Теперь оценка позы объекта является следующей задачей, которая вынуждает меня использовать ShapeNet и набор данных Pascal VOC. Это архитектура ResNet с моделью регрессора и выводом 6 значений или 6 степеней свободы (внешние параметры камеры). Из 6 значений первые 3 — это углы поворота (Эйлер), а 3 — перевод.

Теперь я также обучил кодировщик-декодер из 2D в 3D, который просто принимает входные данные в виде изображения и выводит 3D-модель объекта, указанного в изображении. В этом я взял 4 класса (автомобиль, самолет, стул, столы).

Это мой первый год путешествия в этот мир. Я также изучаю обучение с подкреплением. И ты знаешь, что это потрясающе. Работа в области ИИ захватывает.